共计 1376 个字符，预计需要花费 4 分钟才能阅读完成。
在短视频内容爆炸的时代，如何为用户精准推送他们真正想看的视频，是所有社交平台面临的核心挑战。Facebook Reels 团队近期通过一项创新实践，成功实现了推荐系统的升级——他们开始认真倾听用户的声音。
传统的推荐系统通常依赖点赞、分享、观看时长等“隐式”互动数据来猜测用户喜好。但这些信号往往充满“噪音”：一个用户可能因为封面或标题点开视频，并观看了很长时间，但这并不代表他真心喜欢这个内容。长期依赖这些数据，系统容易陷入推荐“博眼球”但质量不佳内容的循环，损害用户体验和平台长期价值。
为了打破这一僵局，Facebook Reels 团队引入了一个看似简单却极为有效的方法：直接问用户。他们在视频流中随机插入大规模即时调查，只问一个问题：“这个视频在多大程度上符合你的兴趣？”用户只需给出 1 - 5 分的评分。这些每天收集的数千条直接反馈，成为了优化 Reels 推荐系统的“黄金数据”。
从猜测到确认：构建“真实兴趣”模型
数据分析发现，团队原先基于互动数据推断用户兴趣的方法，准确率仅为 48.3%。这凸显了直接获取用户感知的必要性。团队将这些调查反馈进行加权处理，校正可能的抽样偏差，构建了一个全新的数据集，并以此训练了一个轻量级的 “用户真实兴趣调查”（UTIS）模型 。
这个 UTIS 模型并不取代原有的主排序模型，而是作为一个“对齐层”并行工作。它以主模型的预测结果为输入，结合用户行为、内容属性等特征，专门预测用户对某个视频的“兴趣匹配度”评分概率。其设计具备可解释性，能帮助工程师理解影响用户兴趣的关键因素。
将“心声”融入系统：双重整合策略
如何将稀疏但珍贵的用户调查数据，有效整合到每天处理海量请求的推荐系统中？Facebook 团队采用了双管齐下的策略：
- 后期排序调整 ：UTIS 模型的预测结果作为一个关键特征，输入到最终的排序公式中。被预测为高兴趣的视频会获得权重提升，反之则被降权。
- 早期候选生成 ：利用 UTIS 模型积累的数据，可以为用户构建“真实兴趣档案”，在推荐流程的更早期，就召回更多符合用户深层兴趣的候选视频，而不仅仅是热门内容。
这种整合带来了立竿见影的积极影响：更多高质量的小众内容获得了曝光机会，单纯蹭热度的低质推荐减少，用户的点赞、分享和关注行为变得更加积极。
效果验证：数据不说谎
新系统的效果在离线和在线测试中都得到了有力验证：
- 离线指标大幅提升 ：UTIS 模型将兴趣预测的准确率从 59.5% 提升至 71.5%，精确度从 48.3% 提升至 63.2%。
- 在线 A / B 测试成功 ：在对超 1000 万用户的大规模测试中，新系统持续领先。用户给出高评分（4- 5 分）的比例增加了 5.4%，总用户参与度提升了 5.2%，同时平台上的内容违规情况减少了 0.34%。
未来展望与挑战
尽管取得了显著成效，挑战依然存在。例如，如何为互动历史较少的新用户提供精准推荐？如何减少调查抽样本身可能存在的偏见？团队正在探索利用更先进的大型语言模型（LLMs）和构建更细粒度的用户画像来应对这些挑战，目标是让 Reels 的推荐系统变得更加智能、公平和多样化。
这项研究标志着推荐系统从“揣摩用户行为”向“理解用户意图”的重要转变。它证明，在 AI 驱动的时代，直接、主动的用户反馈依然是优化产品体验不可或缺的宝贵资源。
想深入了解技术细节？完整研究成果已发表于论文《 通过整合用户调查反馈改进大规模排序系统的个性化 》。
